论文部分内容阅读
智能视频监控是模式识别与计算机视觉交叉领域的新型技术,主要用于辅助或取代人工值守实现监控场景的自动感知、理解与响应。视频异常检测作为智能视频监控技术中关键的一环,主要用于检测监控视频中出现的小概率、大差异性的异常目标、行为或事件,对于视频监控的智能程度有着不可忽视的影响。在诸多异常检测方法中,基于帧预测的异常检测方法以其网络结构简单,计算速度快,特征提取能力强等优点,已经成为智慧城市和公共安防领域的一个研究热点。本文面向智能监控开展了对视频中异常检测技术的研究,研究的内容根据结构与功能可以大致分为两个方向:基于双向预测的异常检测网络框架设计和基于滑动窗口的异常性评估,具体研究内容如下:一、针对目前异常检测方法普遍存在对包含目标帧视频段的运动信息利用不充分的问题,本文提出了一种面向异常检测的双向预测网络框架,该网络以U-Net作为视频帧的预测生成器,通过前向预测子网络和后向预测子网络同时对同一目标帧进行双向预测生成,获取相应的前向预测生成帧和后向预测生成帧,然后通过前向预测生成帧、后向预测生成帧以及目标帧之间的一致性进行异常性评估,通过实验证明本文所提出的双向预测网络能够更加有效地提取并利用视频段包含的运动信息,减少噪声对异常检测的干扰,明显提升异常检测的准确率。二、针对双向预测网络中两个子网络间的特殊关系,本文提出了一种特殊的损失函数构造方案,分别利用前向预测生成帧和目标帧构建前向预测均方误差,利用后向预测生成帧和目标帧构建后向预测均方误差,利用前向预测生成帧和后向预测生成帧构建混合均方误差,然后通过混合均方误差和对应的预测均方误差构建对应预测子网络的损失函数,确保了算法对前向预测和后向预测一致性的把握。三、针对异常在实际监控视频中出现的稀疏性和局部性,提出一种面向测试过程的滑动窗口方案来对视频帧进行局部关注度聚焦,通过对误差较大的窗口位置的选择性统计,有效抑制了异常视频帧中的正常区域对异常的稀释作用,有效拉大异常视频帧与正常视频帧之间的异常评分,进而提升了算法的整体检测准确率。本文在双向预测网络与滑动窗口方案的综合应用下将本文被所提出的算法与目前主流异常检测算法进行对比。实验结果表明,本文算法的异常检测精度更高,针对不同数据集的稳定性更好,为智能视频监控中异常情况的快速准确检测提供了有力保障。